Evoluzione della business intelligence, i predictive analytics permettono di scoprire, nella mole di dati disponibili, trend futuri. Un mercato in forte sviluppo, in tutti i settori e con molti benefici. Miglioramento dell’efficienza, maggior conoscenza dei clienti, contenimento dei costi, supporto allo sviluppo dei nuovi prodotti
Grazie allo sviluppo del digitale, con la crescente quantità di dati a disposizione, gli analytics si sono ritagliati un ruolo fondamentale per supportare il business aziendale. I classici strumenti di business intelligence (BI) hanno facilitato la nascita della cultura di navigazione dei dati: questi tool, però, sono in grado di fornire una visione storica, che consente soltanto una valutazione a consuntivo di quanto accaduto nel passato, o quello che sta accadendo ora. Negli anni, l’evoluzione della tecnologia ha reso disponibili strumenti in grado di compiere analisi previsionali, per anticipare gli eventi e ottenere un vantaggio competitivo di business, estraendo, dalla mole di dati disponibili, informazioni e relazioni non note a priori.
In questo modo è possibile scoprire informazioni, trend o comportamenti che possono contribuire a migliorare l’esperienza dei clienti, prevedere gli andamenti del mercato e ottimizzare il business. Questi tool, che hanno capacità predittiva, sono definiti predictive analytics, e sono la naturale evoluzione dei sistemi di business intelligence: chi ha già adottato un sistema di BI è in grado di comprendere le potenzialità offerte dall’implementazione di tali tecniche, e può sfruttare la base dati già predisposta per la BI come base di partenza per elaborare modelli predittivi. Un’ulteriore evoluzione è rappresentata dai prescriptive analytics: i modelli predittivi ci dicono cosa è probabile che avvenga, mentre i modelli prescrittivi forniscono vere e proprie regole immediatamente utilizzabili per intraprendere azioni direttamente applicabili al business. Questi strumenti, ancora poco utilizzati, integrano modelli predittivi, regole localizzate e tecniche di scoring, e consentono ai decision maker di intraprendere azioni immediate, basate su previsioni probabilistiche e su regole chiare. Inoltre, sono in grado di spiegare le motivazioni di un certo evento, e analizzano i feedback dell’utilizzo delle regole, per tener conto delle azioni intraprese e dei loro effetti.
«Le soluzioni di prescriptive analytics sono ancora in una fase di adozione molto embrionale sul mercato italiano» – spiega Andrea Alfieri, head of marketing di BOARD International. «Con l’esclusione di alcuni specifici settori, i predictive analytics non sono stati ancora introdotti come pilastro delle strategie di business intelligence e decision-making. Infatti, nella realtà di tutti i giorni, le enormi potenzialità dei predictive analytics – su cui si dovrebbero basare poi gli algoritmi dell’analisi prescrittiva – rimangono ancora abbastanza slegate dal contesto reale del business. La comprensione degli algoritmi statistici è di solito appannaggio di un ristretto gruppo di data scientist, ai quali però manca la visione completa delle reali criticità e opportunità del mercato. Il data scientist elabora modelli matematici di altissimo livello. Ma questi poi spesso non sono comprensibili o non riflettono le esigenze dei decision maker aziendali. Per questa ragione BOARD ha scelto una via totalmente diversa dalle soluzioni tradizionali, cercando di rendere direttamente fruibili dai business user i vantaggi dei predictive analytics, senza la necessità di avere una conoscenza statistica/matematica di alto livello».
Dove si usano i Predictive Analytics
Secondo Nicola Mazzariello, Project & Solutions, director di Par-tec, gli strumenti di predictive analytics possono essere utilizzati in qualsiasi settore economico, per risolvere molteplici problemi di business. «In generale, in tutti i casi in cui si voglia comprendere dei fenomeni per migliorare i processi e le strategie aziendali. Le applicazioni spaziano dall’ambito finanziario (rischio di credito, market abuse detection, antifrode…), alla customer retention, passando per l’ottimizzazione dei contact center e la previsione di successo nella riabilitazione sportiva». E come conferma Rocco Michele Lancellotti, consultant di Data Reply, soluzioni di predictive e prescriptive analytics «sono diffuse nei settori bank e insurance, retail, automotive, manufacturing, energy e utility». Queste soluzioni, come chiarisce Alessandro Rezzani, CEO di Dataskills, sono applicabili a qualsiasi settore economico e – all’interno di ciascun settore – a una serie di attività molto ampie, per esempio, la churn analysis. Un’altra attività che trova un supporto molto importante nelle tecniche predittive e prescrittive è «la fraud detection che, nel settore finance, consiste nell’identificazione tempestiva di transazioni eseguite con carte di credito rubate, mentre per l’insurance ha l’obiettivo di identificare i sinistri fraudolenti. Passando al settore industriale e alle utility, esistono numerose applicazioni finalizzate alla manutenzione preventiva, cioè realizzata prima che accada un guasto o un evento imprevisto. Infine, nel settore del commercio, la previsione della domanda oppure la realizzazione di campagne di vendita mirate costituiscono altri impieghi delle tecniche predittive e prescrittive».
Insomma, le applicazioni sono molteplici. Aiutano a creare logiche enterprise nei processi decisionali aziendali e come spiega Maria Cristina Conti, senior analytics manager, Global Practice di SAS «permettono di risolvere problemi di marketing per conoscere meglio i clienti e il loro customer journey, o problemi legati ai processi produttivi (attraverso logiche di predictive maintenance), arricchendo le analisi su dati del mondo IoT. Portano all’individuazione di pattern nascosti, sfruttando dati provenienti da fonti diverse per prendere decisioni efficaci». Secondo Mauro Tuvo, principal consultant Information Management di System Evolution, nei settori Banking e Insurance, la maggior parte delle soluzioni basate su tecniche e strumenti di advanced analytics «è finalizzata alla gestione di tematiche di vendite e marketing (per esempio, la determinazione del next-product-to-buy) o di risk management in senso ampio». Si passa dalla gestione della retention (valutazione dell’attrition rate e riduzione dei rischi di churn) alla valutazione dei rischi operativi (analisi di scenari) e di credito (modelli di dynamic scoring a supporto di interventi di ristrutturazione proattiva dei crediti), fino al fraud management. «Allo stato attuale – continua Tuvo – vediamo un maggiore interesse verso strumenti di predictive analytics, mentre la diffusione di soluzioni prescriptive, per lo meno nel mercato italiano, ci sembra ancora limitata».
Lo scenario di mercato
I maggiori protagonisti dell’Enterprise Software sono già attivi da anni nel mercato dei predictive analytics, a conferma delle sue prospettive. Si trovano anche buoni software open source. Il mercato è molto dinamico: le recenti versioni dei tool sono basate su soluzioni cloud e sono integrate con sistemi di gestione Big Data. Secondo Fabio Rizzotto, senior research and consulting director di IDC Italia, le soluzioni di advanced e predictive analytics sono parte di un più ampio mercato definito come Business Analytics Technology e Services. Nel complesso, secondo IDC per questo settore è prevista una crescita a un CAGR del 11% nel periodo 2015-2020, con 210,54 miliardi di dollari nel 2020. Il sottosegmento advanced e predictive analytics (“APA” secondo IDC) è in crescita all’interno di questo mercato, guidato dall’effetto “digitization of everything”, dall’incremento delle iniziative Big Data, dalla crescente domanda di capacità self service e dalla fede nella superiorità del processo decisionale data-driven. L’evoluzione del mercato di strumenti e servizi di APA sarà nel contesto della cosiddetta “shifting economics”, in cui le organizzazioni devono gestire informazioni e dati tra le attività a valore aggiunto. Nel mondo digitale, le informazioni e i dati sono disponibili in “abbondanza”.
Secondo IDC la raccolta di ulteriori dati non rappresenta un valore: più una risorsa digitale viene “usata” per migliorare l’esperienza, fornire insight, influenzare decisioni, e impostare direzioni, più preziosa diventa. Non tutti i clienti stanno attivamente utilizzando soluzioni di predictive analytics, ma questi strumenti sono in cima alle priorità per la maggior parte degli acquirenti: IDC prevede che l’adozione di queste soluzioni diventerà pervasiva nel prossimo futuro. La promessa che predictive analytics, tecnologie cognitive e intelligenza artificiale forniscano consigli e assistenza sia ai knowledge worker sia ai clienti sta alimentando gli investimenti in queste tecnologie, e in tutto quanto connesso: nei servizi, nelle infrastrutture, e nei dati stessi. In una recente Survey, IDC conferma che la tecnologia degli APA diventa più ampiamente usata a mano a mano che le aziende sono sempre più data-driven. L’indagine mostra che circa il 75% degli intervistati ha indicato che gli analisti e i data scientist sono impegnati in una buona collaborazione sia con le Linee di Business sia con l’IT, anche se alcune lacune esistono nella possibilità di sfruttare l’utilizzo delle analisi avanzate come un vero e proprio valore per il processo decisionale. L’ambiente competitivo nell’era digitale di oggi richiede accesso veloce e affidabile a una vasta gamma di applicazioni, servizi di business e fonti di dati distribuiti su diverse piattaforme: ambienti altamente virtualizzati e cloud privati, pubblici e ibridi. «Sempre più spesso – mette in evidenza Rizzotto – le funzionalità degli APA vengono applicate al system management, per supportare le capacità di analisi, individuare più rapidamente le cause dei disservizi e adottare misure proattive per prevenire problemi. Il focus sulla gestione dei sistemi e sulle applicazioni per ottimizzare l’esperienza di servizio per l’utente finale, in termini di prestazioni e di disponibilità, sarà una delle priorità principali per gli acquirenti».
I benefici per le aziende
Ottenere, attraverso processi strutturati e data driven, informazioni fondamentali che permettono di prendere decisioni rilevanti per i processi di business è uno dei benefici che questi strumenti apportano al business, spiega Maria Cristina Conti di SAS. Ma non solo. «Significa conoscere meglio i clienti utilizzando informazioni “sempre up-to-date”. Inoltre la possibilità di analizzare nuovi dati, come dati destrutturati provenienti da diverse fonti, permette di arricchire i profili dei clienti e prendere decisioni su reali esigenze del mercato». Per Mazzariello di Par-tec, si tratta in pratica di fornire ai decision-maker le risposte a domande come «i nostri dati contengono dei caratteri particolari identificabili come operazioni anomale, difformi, sospette, etc? Esistono particolari correlazioni tra i dati di business trattati sui sistemi? O ancora, le nostre decisioni strategiche sono supportate da previsioni e simulazioni affidabili»? Più in dettaglio, come ci spiega Lancellotti di Data Reply, le aree vendite e marketing sono quelle che ne traggono beneficio «nelle attività di customer retention/churn, nella prescrizione di Next Best Actions, nella possibilità di generare up-selling e cross-selling al fine di ottimizzare i margini di guadagno». Le aree di produzione e operations, nell’ambito industriale e manifatturiero, «beneficiano delle attività di predictive e prescriptive maintenance nella definizione di piani di manutenzione mirati, capaci di contenere i costi di riparazione di macchinari e impianti». Mentre, nell’ambito energy, «si sono evidenziati benefici riguardo la previsione di utilizzo e generazione di energia degli impianti (per esempio, di energie rinnovabili)».
I benefici delle tecniche predittive/prescrittive sono tutti riconducibili a un vantaggio economico che scaturisce dal miglioramento dell’efficienza, dalla riduzione dei costi o dall’aumento dei ricavi. Pensiamo alla fraud detection, suggerisce Rezzani di Dataskills. «Essa consente, per esempio, alle assicurazioni di evitare costi derivanti da liquidazioni di sinistri, che in realtà non avrebbero diritto ad alcunché. La previsione dei churners dà la possibilità alle aziende di agire tramite azioni di retention sui clienti a rischio, prima ancora che maturino la decisione di andarsene». E alcune tecniche predittive possono fare di più: «Invece di agire sui singoli casi i sistemi rule-based – continua Rezzani – offrono come output non soltanto la prediction, ma anche un insieme di regole che spiegano il fenomeno. Le regole sono quindi impiegate per comprendere le cause che stanno alla radice del fenomeno, consentendo di agire su di esse in modo organico». Regole “actionable” e feedback continuo delle azioni poste in essere sono alla base della prescriptive analytics. In generale queste soluzioni consentono di acquisire informazioni ad alto valore aggiunto a partire da grandi volumi di dati. «In un data lake – spiega Tuvo di System Evolution – si nascondono indizi, fenomeni, eventi ai quali, se opportunamente identificati e qualificati, si può reagire tempestivamente, gestendone proattivamente i rischi e le opportunità connessi. Tutto questo è possibile disponendo non solo di tecnologie, ma anche di competenze adeguate, in grado di tradurre i risultati dei modelli in valore per il business. In questo senso, la diffusione di soluzioni di advanced analytics va di pari passo con la crescente domanda di professionalità specifiche in grado di coniugare competenze di business, di modellazione e analisi statistica, di sistemi informativi: è la figura del data scientist. Altra condizione necessaria perché queste soluzioni rappresentino un reale valore per l’azienda è la presenza di un adeguato presidio di governo e qualità dei dati: senza una “carta di identità” dei dati è difficile, se non impossibile, riconoscerne ed estrarne il valore».
Le esperienze degli utenti
Diversi progetti interessanti sono stati sviluppati utilizzando gli strumenti di predictive analytics. «Tra i nostri progetti – racconta Rezzani di Dataskills – possiamo citare l’implementazione di una churn analysis con un modello basato sulle regole. L’esigenza del cliente era proprio quella di stabilire quali dinamiche governassero la scelta del churner di abbandonare l’azienda, perciò un algoritmo rule-based era l’opzione più corretta. Il risultato è stato molto interessante poiché ha sfatato alcuni miti, molto radicati in azienda, circa le cause di abbandono, che rischiavano di far proseguire il management nell’adozione di politiche di retention non adeguate alla reale situazione».
Maria Cristina Conti di SAS spiega che per poter mettere in atto queste soluzioni sono necessarie tre componenti: «Dati, competenza e conoscenze di business. I nostri clienti ci descrivono gli obiettivi che vogliono raggiungere, sfruttando queste soluzioni e collaboriamo insieme per raggiungerli. Un esempio è l’analisi in real-time dei dati di un’azienda manufacturing. L’esigenza era comprendere i pattern che individuavano l’efficienza del processo produttivo per ottimizzare la produzione e ridurre i tempi di latenza nella rilavorazione. L’utilizzo di queste soluzioni, sfruttando tecniche di machine learning, ha permesso di estrapolare le informazioni chiave della produzione. Analizzando i dati destrutturati, il cliente ha potuto migliorare anche le caratteristiche dei prodotti sulla base delle esigenze dei clienti finali». Per Mazzariello di Par-tec, la principale success story riguarda il Contact Center di Enel, una struttura che per gestire circa 130mila chiamate giornaliere necessita di una pianificazione puntuale della distribuzione del traffico sugli outsourcer coinvolti. «Basandoci su Addtobuild, la nostra soluzione di business intelligence cloud based, abbiamo realizzato uno strumento che da più di sei anni fornisce previsioni affidabili del traffico inbound basate sugli andamenti storici, sulle campagne di invio fatture, sui solleciti, sulle azioni di credito, sulle campagne pubblicitarie e su eventi non sistematici indicati dagli utilizzatori del sistema».
Dal canto suo, Lancellotti di Data Reply racconta un caso d’uso, in cui l’esigenza del cliente era di determinare il ROI ottenuto dagli investimenti in attività pubblicitarie svolte su canali digitali quali tv, radio, pubblicità online e su riviste. «Il ritorno è stato misurato in termini di visite su pagine web, numero di richieste preventivi, informazioni aggiuntive da parte del cliente, e vendite realizzate. Il progetto ha riguardato lo sviluppo di una what-if analysis a supporto all’area Sales e Marketing, con l’obiettivo raggiunto di indirizzare al meglio i futuri investimenti su ciascun canale considerato».
E per finire, Alfieri di BOARD International racconta l’esperienza di uno dei primi tre gruppi nel Fashion Retail a livello internazionale, che aveva implementato il modello BOARD Enterprise Analytics Modelling (BEAM) nel processo di forecasting, su piattaforma di decision-making BOARD, proprio per superare il divario tra complessità e potenzialità statistiche da un lato, ed esigenze di business dall’altro. «In questo caso abbiamo potuto affiancare al tradizionale modello di planning e forecasting, basato su medie mobili semplici, una modellazione avanzata in grado di eseguire forecast estremamente accurati, sulla base di valutazioni automatiche di ogni serie temporale, senza bisogno di sviluppare fisicamente, testare e selezionare i modelli analitici».
